AI uzmanlığı olmadan kamera tabanlı bir vision denetim sistemi oluştur

Kullandığımız telefon, paketli ürün veya araba parçası gibi her ürün, biz son kullanıcılara ulaşmadan önce bir tür kalite kontrolünden geçer. Bu işlem geleneksel olarak manuel kontroller veya basit kural tabanlı sistemlerle yapılırdı. Bu yöntemler işe yarasa da, üretim arttıkça genellikle yavaş, tutarsız ve ölçeklendirilmesi zor olurlar.

Kalite denetim sürecini iyileştirmek için birçok endüstri, makinelerin görüntüleri ve videoları anlamasına yardımcı olan bir yapay zeka dalı olan bilgisayarlı görüye yöneliyor. Örneğin, Ultralytics YOLO26 gibi görü yapay zeka modelleri, kusurları yüksek doğruluk seviyesiyle tespit etmeye, sınıflandırmaya ve konumlandırmaya yardımcı olabilir.

Gerçek üretim ortamlarında bu modeller, doğrudan yüksek hızlı montaj hatlarından yakalanan görüntüleri analiz etmek için kullanılabilir. Ürünler farklı aşamalardan geçerken endüstriyel kameralar onları takip eder ve sistem; çizikler, eksik parçalar veya yanlış hizalama gibi sorunları kontrol eder. Bu, kusur tespitini daha hızlı ve daha tutarlı hale getirirken yüksek hacimli denetimi destekler.

Geçmişte bu sistemleri kurmak birden fazla araç ve güçlü teknik uzmanlık gerektiriyordu, bu da süreci karmaşık ve zaman alıcı hale getiriyordu. Bilgisayarlı görü için yeni uçtan uca çözümümüz olan Ultralytics Platform, veri hazırlama, etiketleme, model eğitimi ve dağıtımı tek bir yere toplayarak bunu basitleştiriyor.

Bu makalede, derin yapay zeka uzmanlığına ihtiyaç duymadan pratik, kamera tabanlı görsel denetim sistemleri oluşturmak için Ultralytics Platform'u nasıl kullanabileceğini keşfedeceğiz. Haydi başlayalım!

Link to this sectionKalite kontrolde bilgisayarlı görünün rolü#

Ultralytics Platform'un denetim sistemleri kurmayı nasıl kolaylaştırdığına girmeden önce, bir adım geri çekilip bilgisayarlı görünün kalite denetimindeki rolünü anlayalım.

Denetim, ürünlerin kalite standartlarını karşıladığından ve kusursuz olduğundan emin olan üretim sürecinin kilit bir parçasıdır. Ancak sonuçlar, özellikle uzun vardiyalar veya yüksek hacimli üretim sırasında değişebilir.

Denetimi daha güvenilir hale getirmek için birçok endüstri, üretim hattındaki görüntüleri analiz etmek ve kusurları tanımlamak amacıyla makine görüsü olarak da bilinen bilgisayarlı görüden yararlanır. Bu sistemler, modellerin ve algoritmaların büyük miktarda yüksek kaliteli etiketlenmiş görüntüden desenler öğrendiği derin öğrenmeyi kullanır.

Model eğitimi sırasında modele hem normal ürünlerin hem de farklı kusur türlerinin örnekleri gösterilir. Zamanla, bu desenleri kendi kendine tanımayı öğrenir. Eğitildikten sonra model, büyük hacimli ürünleri denetleyebilir ve aynı kriterleri tutarlı bir şekilde uygulayarak doğruluğu artırabilir.

Link to this sectionKalite denetiminde kullanılan yaygın bilgisayarlı görü görevleri#

Makine görüsü uygulamaları, farklı türdeki görü görevlerini destekleyebilen Ultralytics YOLO modelleri gibi bilgisayarlı görü modelleriyle etkinleştirilir. İşte bu görü yapay zeka görevlerinin otomatik denetim iş akışları için nasıl kullanıldığına dair bir genel bakış:

• Görüntü sınıflandırma: Bu görev, tüm görüntüye "iyi" veya "kusurlu" gibi tek bir etiket atamak için kullanılır. Kusurların konumunu belirtmeden ürün kalitesine dair üst düzey bir değerlendirme sağlar.
• Nesne algılama: Bir görüntüdeki kusurları tanımlamaya ve sınırlayıcı kutular kullanarak onları yerelleştirmeye yardımcı olur. Bu; çatlak, çizik veya eksik bileşenler gibi sorunları tespit etmeyi ve konumlandırmayı mümkün kılar.
• Örnek bölümleme (Instance segmentation): Nesne algılamadan bir adım öteye geçerek, tespit edilen her kusur için piksel düzeyinde maskeler tahmin eder. Bu, kusurların şekli, boyutu ve sınırlarının hassas bir şekilde analiz edilmesini destekler.
• Nesne izleme: Ürünleri birden fazla karede takip ederken, üretim hattında hareket ederken öğeleri izler. Bu, tutarlılığı korur ve kusurların gözden kaçmamasını sağlar.
• Yönlendirilmiş sınırlayıcı kutu (OBB) algılama: Bu görev, eksene hizalı kutular yerine döndürülmüş sınırlayıcı kutular kullanarak nesneleri algılar. Kusurlar veya bileşenler farklı açılarda göründüğünde özellikle kullanışlıdır ve daha doğru yerelleştirme sağlar.

Link to this sectionEndüstriler genelinde kalite denetim uygulamalarına bir bakış#

Bilgisayarlı görü, ürün kalitesini korumak, standartları karşılamak ve manuel denetim ihtiyacını azaltmak için endüstriler genelinde yaygın olarak kullanılır. Kusur tespiti, sınıflandırma, nesne tanıma, ölçüm ve anomali tespiti gibi temel işlevleri yerine getirir.

Şekil 1. Makine görüsü sistemleri kullanılarak ürünlerin tespit edilmesi ve izlenmesine bir örnek (Kaynak)

İşte uygulandığı gerçek dünya kullanım örneklerinden bazıları:

• Üretim: Yüzey kusuru tespiti; hat içi kusur tespiti için üretim hattındaki ürünlerin görüntülerini analiz ederek çizik, ezik, çatlak ve renk bozulması gibi sorunları tanımlamak için kullanılır. Ayrıca, sürekli denetimi destekleyerek eksik parçaları veya montaj hatalarını gerçek zamanlı olarak algılayabilir.
• Otomotiv: Bilgisayarlı görü sistemleri, hizalamayı doğrulamak ve hasarları tespit etmek için motor parçalarını ve gövde panellerini analiz eder. Özellikle karmaşık şekilleri ve ulaşılması zor alanları denetlemek için etkilidirler ve genellikle hassas konumlandırma ve otomatik denetim için robotik sistemlerle birlikte çalışırlar.
• Elektronik ve yarı iletkenler: Bu sistemler, baskılı devre kartları (PCB) gibi bileşenlerdeki lehim sorunları, mikro çatlaklar ve hasarlı devreler dahil olmak üzere küçük kusurları tespit eder. Yüksek çözünürlüklü görüntü analizi ile manuel denetim sırasında genellikle gözden kaçan çok ince kusurlar bile tespit edilebilir.
• Paketleme ve lojistik: Görsel sistemler barkod tarama yapar, ürün etiketlerini okur ve paketleme kalitesini kontrol eder. Ürünlerin düzgün şekilde paketlendiğinden, mühürlendiğinden ve sevkiyata hazır olduğundan emin olarak hataları azaltır.
• Yiyecek ve içecek: Görü kameraları veya görü sensörleriyle desteklenen denetim sistemleri; hatalı mühürleme, kontaminasyon riskleri, yanlış etiketleme veya görsel tutarsızlıklar gibi sorunları tanımlamak için ürün görünümünü analiz ederek kalite ve güvenliği korumaya yardımcı olur.
• İlaç: Bilgisayarlı görü; tabletleri, şişeleri ve ambalajları çatlak, kontaminasyon, yanlış etiketleme veya dolum seviyesi tutarsızlıkları gibi kusurlar açısından denetlemek, katı düzenleyici standartlara uyumu sağlamak ve ürün güvenliğini korumak için kullanılır.

Link to this sectionUltralytics Platform ile görsel denetim iş akışlarını kolaylaştırma#

Ürünlerin farklı aşamalardan geçtiği ve kameraların denetim için sürekli görüntü yakaladığı bir üretim hattını düşünün. Bu görüntüler çizikler, eksik parçalar veya yanlış hizalama gibi kusurları kontrol etmek için kullanılır.

Şu ana kadar bu tür denetim sistemlerini oluşturmak ve yönetmek birden fazla araç ve makul miktarda teknik uzmanlık gerektiriyordu.

Aslında, Ultralytics olarak, görü yapay zeka topluluğundan bu sürecin ne kadar parçalı ve zaman alıcı olabileceğine dair tutarlı geri bildirimler aldık; dağınık araçlar, karmaşık ortam kurulumu, verimsiz veri etiketleme iş akışları, model eğitimindeki gecikmeler ve dağıtımdaki zorluklar yaygın darboğazlar arasındadır. Bu geri bildirimler, Ultralytics Platform'un şekillenmesinde kilit bir rol oynadı.

Şekil 2. Ultralytics Platform'a bir bakış (Kaynak)

Ultralytics Platform ile tüm geliştirme ve dağıtım süreci tek bir yerde yönetilebilir. Ham veriler yüklenebilir ve eğitim veri kümeleri oluşturmak için etiketlenebilir; bunlar daha sonra kusurları tespit edecek modelleri eğitmek için kullanılır. Eğitildikten sonra bu modeller, üretim hattındaki yeni görüntüleri analiz etmek için dağıtılabilir ve performansı zaman içinde izlemek için yerleşik araçlar kullanılabilir.

Tüm iş akışını tek bir yere getirmenin yanı sıra, Ultralytics Platform kullanımı kolay olacak şekilde tasarlanmıştır. Sınırlı makine öğrenimi deneyimine sahip kullanıcılar bile fikir aşamasından üretime hızlıca geçebilir.

Link to this sectionGörüntülerdeki kusurları etiketlemek için Ultralytics Platform'u kullanma#

Artık Ultralytics Platform'un iş akışını nasıl bir araya getirdiğini gördüğümüze göre, veri yükleme ve kusur etiketlemeden başlayarak görü yapay zeka hattının her aşamasında nasıl kullanılacağını inceleyelim.

Link to this sectionUltralytics Platform'da denetim veri kümesi yönetimi#

İlk adım, verileri platforma getirmektir. ZIP, TAR veya GZ dosyaları gibi görüntüleri, videoları veya veri kümesi arşivlerini yükleyebilirsin. YOLO ve COCO gibi yaygın veri kümesi formatları desteklenir, bu nedenle mevcut veri kümeleri ekstra adımlar olmadan içe aktarılabilir.

Ayrıca topluluk tarafından paylaşılan veri kümelerini kullanarak daha hızlı başlayabilirsin. Bu veri kümeleri keşfedilebilir ve çalışma alanına kopyalanabilir, böylece sıfırdan başlamak yerine mevcut veriler üzerine inşa edebilirsin. Kopyalandıktan sonra, özel kullanım durumun için güncellenebilir ve genişletilebilirler.

Çeşitli deneyler üzerinde çalışıyorsan, veri kümeleri NDJSON dosyaları olarak içe aktarılarak yeniden kullanılabilir, bu da ek bir dönüştürme yapmadan onları yeniden oluşturmayı veya paylaşmayı kolaylaştırır.

Veriler yüklendikten sonra platform veriyi otomatik olarak hazırlar. Dosya formatlarını kontrol eder, ek açıklamaları işler, gerekirse görüntüleri yeniden boyutlandırır ve temel veri kümesi istatistiklerini oluşturur. Videolar eğitim için kullanılabilmeleri amacıyla karelere bölünür ve görüntüler daha kolay gezinme ve analiz için optimize edilir.

Link to this sectionUltralytics Platform ile desteklenen veri etiketleme#

Veriler hazır olduğunda, bir sonraki adım veri etiketlemedir. Modelin neyi tespit edeceğini öğrenebilmesi için kusurların etiketlendiği yer burasıdır. Ultralytics Platform; nesne algılama, örnek bölümleme, görüntü sınıflandırma, poz tahmini ve yönlendirilmiş sınırlayıcı kutu algılama gibi görevleri destekleyen yerleşik bir etiketleme düzenleyici içerir.

Kullanım durumuna bağlı olarak sınırlayıcı kutular, çokgenler veya anahtar noktalar gibi araçları kullanarak verileri manuel olarak etiketleyebilirsin. Hız kazanmak için platform ayrıca Yapay zeka destekli etiketleme sunar.

Örneğin, SAM tabanlı akıllı etiketleme, basit tıklamalarla nesneleri etiketlemene olanak tanır. Dahil edilecek veya hariç tutulacak bölgeleri seçerek sistem gerçek zamanlı olarak bir maske oluşturur, bu daha sonra gerekirse ayarlanabilir.

Şekil 3. Ultralytics Platform içinde SAM destekli akıllı etiketleme (Kaynak)

Ayrıca, YOLO tabanlı akıllı etiketleme, model tahminlerini kullanarak otomatik olarak etiketler oluşturabilir. Bunlar gözden geçirilebilir ve iyileştirilebilir, böylece her şeyi manuel olarak etiketlemek zorunda kalmadan büyük veri kümeleri üzerinde çalışmak daha kolay hale gelir.

Etiketleme düzenleyici ayrıca sınıf yönetimi, etiket düzenleme, klavye kısayolları ve geri alma veya yineleme seçenekleri gibi özellikler içerir. Bunlar, veri kümen büyüdükçe tutarlı kalmayı ve etiketleri gözden geçirmeyi kolaylaştırır.

Verileri etiketlerken, platform sınıf dağılımı ve etiket sayıları gibi içgörüler sağlar. Bu, boşlukları belirlemeye, tutarsızlıkları gidermeye ve eğitime geçmeden önce veri kümesi kalitesini artırmaya yardımcı olur.

Link to this sectionUltralytics Platform'da kusur tespiti için YOLO26 eğitimi#

Bir sonraki adım, etiketli verileri kullanarak kusurları otomatik olarak tespit etmek için bir model eğitmektir. Ultralytics Platform, nesne algılama, örnek bölümleme ve görüntü sınıflandırma gibi görevler için kullanılabilen YOLO26 dahil olmak üzere Ultralytics YOLO modelleri ile eğitimi destekler.

Eğitim, eğitim işlerini yapılandırabileceğin, çalıştırabileceğin ve izleyebileceğin birleşik bir panel aracılığıyla yönetilir. Başlamak için; yüklediğin, platformda etiketlediğin, platformda sunulan genel veri kümelerinden sağlanan veya topluluktan kopyalanan bir veri kümesi seçebilirsin.

Seçildikten sonra, veri kümesi otomatik olarak eğitim çalışmasına bağlanır, bu da deneyleri takip etmeyi ve tutarlılığı korumayı kolaylaştırır.

Ardından, dönem (epoch) sayısı, yığın (batch) boyutu, görüntü boyutu ve öğrenme oranı gibi eğitim parametrelerini yapılandırabilirsin. Bu ayarlar modelin nasıl öğreneceğini kontrol eder ve hem eğitim süresini hem de performansı doğrudan etkiler.

Link to this sectionEğitimi çalıştırma ve izleme#

Ardından eğitimi nasıl çalıştıracağını seçebilirsin. Platform; yönetilen GPU'larda bulut eğitimi, kendi donanımını kullanarak yerel eğitim ve Google Colab gibi ortamlar aracılığıyla tarayıcı tabanlı iş akışlarını destekler.

Bulut eğitimini kullanırken, daha küçük deneyler için RTX 2000 Ada ve RTX A4500, daha zorlu iş yükleri için RTX 4090 veya RTX A6000 ve büyük ölçekli eğitim için A100 veya H100 gibi yüksek performanslı seçenekler dahil olmak üzere bir dizi GPU seçeneğinden birini tercih edebilirsin.

Eğitim başladığında, ilerleme doğrudan platform içinde izlenebilir. Panel; kayıp eğrileri ve performans metrikleri gibi temel metriklerin yanı sıra sistem kullanımı ve eğitim günlükleri hakkında gerçek zamanlı görünürlük sağlar. Bu, modelin nasıl öğrendiğini anlamayı ve potansiyel sorunları erkenden belirlemeyi sorunsuz hale getirir.

Şekil 4. Ultralytics Platform'u kullanarak eğitim ilerlemesini kolayca izleyebilirsin (Kaynak)

Birden fazla deney çalıştırdıkça, platform yapılandırmaları, veri kümelerini ve sonuçları tek bir yerde takip eder. Bu, farklı eğitim çalışmalarını karşılaştırmayı, kesinlik (precision), duyarlılık (recall) ve mAP gibi metrikleri kullanarak performansı değerlendirmeyi ve dağıtım için en iyi performans gösteren modeli seçmeyi basit hale getirir.

Link to this sectionUltralytics Platform aracılığıyla görü modeli dağıtma#

Eğitimden sonraki adım, dağıtıma geçmeden önce eğitilmiş modelin yeni, görülmemiş veriler üzerinde nasıl performans gösterdiğini doğrulamaktır. Ultralytics Platform, modelleri herhangi bir kurulum gerektirmeden doğrudan tarayıcıda test etmene olanak tanıyan yerleşik bir Tahmin (Predict) sekmesi içerir.

Görüntü yükleyebilir, örnek verileri kullanabilir veya web kamerası aracılığıyla girişleri yakalayabilirsin; sonuçlar görsel katmanlar ve güven puanlarıyla anında görünür. Bu, gerçek dünya sistemlerine entegre etmeden önce model performansını hızlıca kontrol edebileceğin ve sorunları belirleyebileceğin anlamına gelir.

Model doğrulandıktan sonra, kullanım durumuna bağlı olarak farklı seçenekler kullanılarak dağıtılabilir. İşte Ultralytics Platform tarafından desteklenen model dağıtım seçeneklerine daha yakından bir bakış:

• Paylaşılan çıkarım: Bu seçenek, modele bir REST API aracılığıyla erişmeni sağlayarak uygulamalara veya iş akışlarına entegre etmeyi kolaylaştırır. İsteklerin otomatik olarak en yakın kullanılabilir hizmete yönlendirildiği birkaç temel bölgede, çok kiracılı bir sistem üzerinde çalışır. Bu, geliştirmeler, testler ve üretime geçmeden önceki daha hafif kullanım durumları için iyi bir uyum sağlar.
• Özel uç noktalar: Üretim kullanımı için modeller, kendi bilgi işlem kaynaklarına sahip özel uç noktalar olarak dağıtılabilir. Bunlar 43 küresel bölgede tek kiracılı hizmetler olarak çalışır ve son kullanıcılara daha yakın dağıtım yaparak gecikmeyi azaltmaya yardımcı olur. Ayrıca, trafik durumuna göre kaynakların otomatik olarak ayarlanmasına olanak tanıyan otomatik ölçeklendirmeyi ve sıfıra ölçeklendirmeyi desteklerler.
• Model dışa aktarma: Modeller dışa aktarılabilir ve yerel sistemlerde veya uç cihazlarda platformun dışında çalıştırılabilir. Platform; ONNX, TensorRT, OpenVINO, CoreML ve TensorFlow Lite dahil olmak üzere 17 formatı destekler. Dışa aktarma seçenekleri, farklı donanım ortamları için model boyutunu küçültmek ve çıkarım hızını artırmak amacıyla FP16 ve INT8 kuantizasyon gibi iyileştirmeleri de destekler.

Link to this sectionUltralytics Platform kullanarak dağıtılan modelleri izleme#

Bir görüntü işleme veya bilgisayarlı görü çözümünün yaşam döngüsü, model dağıtımıyla sona ermez. Bu, görsel denetim sistemleri için de geçerlidir. Bir model üretimde çalışmaya başladığında, koşullar değiştikçe güvenilir bir şekilde performans gösterdiğinden emin olmak için sürekli olarak izlenmesi gerekir.

Ultralytics Platform, dağıtılan modellerin nasıl performans gösterdiğine dair net bir görünüm sağlayan yerleşik bir izleme paneli sunar. Tek bir arayüzden istek etkinliğini takip edebilir, günlükleri görüntüleyebilir ve her dağıtımın sağlık durumunu kontrol edebilirsin. Modellerin nasıl kullanıldığını ve zaman içinde nasıl davrandıklarını anlayabilirsin.

Panel; toplam istekler, hata oranları ve gecikme gibi temel metrikleri içerir, bu da performansı ve yanıt verebilirliği değerlendirmene yardımcı olur. Bu metrikler düzenli olarak güncellenir ve hem kullanım modelleri hem de sistem güvenilirliği hakkında içgörüler sağlar.

Yerleşik bir dünya haritası, isteklerin ve dağıtımların bölgeler arasında nasıl dağıldığını gösterir. Birden fazla küresel konumda dağıtım desteğiyle bu görünüm, kullanımı coğrafi olarak izlemeye ve modellerin farklı ortamlarda nasıl performans gösterdiğini anlamaya yardımcı olur.

Şekil 5. Ultralytics Platform'da dağıtılan modelleri izleme (Kaynak)

Daha derin analiz için her dağıtım; zaman damgaları, istek detayları ve hata mesajları içeren ayrıntılı günlükler içerir. Günlükler önem derecesine göre filtrelenebilir, bu da sorunları ayıklamayı ve hataları hızlıca belirlemeyi kolaylaştırır. Ayrıca sağlık kontrolleri; bir dağıtımın beklendiği gibi çalışıp çalışmadığını veya dikkat gerektirip gerektirmediğini gösteren gerçek zamanlı durum göstergeleri sunar.

İzleme ayrıca optimizasyonda önemli bir rol oynar. Giriş verileri, trafik veya kullanım modelleri değiştikçe performans değişebilir. Metrikleri ve günlükleri takip ederek; yüksek gecikme, artan hata oranları veya ölçeklendirme sınırlamaları gibi sorunları belirleyebilir ve tutarlı performansı korumak için harekete geçebilirsin.

Link to this sectionGörü çözümleri oluşturmak için Ultralytics Platform'u kullanmanın faydaları#

Görsel denetim sistemleri oluşturmak ve ölçeklendirmek için Ultralytics Platform'u kullanmanın temel avantajlarından bazıları şunlardır:

• Gerçek dünya kullanımı için optimize edilmiştir: Otomatik ölçeklenen uç noktalar, uç dağıtım ve model dışa aktarma gibi özellikler, sistemin üretim ortamlarında güvenilir bir şekilde çalışmasını sağlar.
• Daha hızlı geliştirme döngüleri: Yerleşik araçlar ve varsayılan yapılandırmalar, ham veriden çalışan bir sisteme daha verimli bir şekilde geçmeye yardımcı olur.
• Kullanım kolaylığı: Sezgisel arayüzler, kolaylaştırılmış iş akışları ve minimum kurulum gereksinimleri, platformu hem yeni başlayanlar hem de deneyimli kullanıcılar için erişilebilir kılar.
• Daha az manuel iş: Yapay zeka destekli etiketleme ve otomatik veri işleme gibi özellikler, tekrarlayan görevlere harcanan zamanı azaltır.
• Zaman içinde ölçeklenebilir: Gereksinimler değiştikçe, sistem yeni veriler eklenerek ve modeller yeniden eğitilerek güncellenebilir; bu da yeni kusur türlerine, koşullara ve çok kameralı kurulumlara uyum sağlamayı mümkün kılar.

Link to this sectionÖnemli çıkarımlar#

Kamera tabanlı bir görsel denetim sistemi oluşturmak karmaşık olmak zorunda değildir veya derin yapay zeka uzmanlığı gerektirmez. Ultralytics Platform ile ham veriden çalışan bir sisteme geçebilir ve performansını tek bir yerden izleyebilirsin. Bu, denetim sistemlerinin gerçek dünya ortamlarında nasıl oluşturulduğunu, iyileştirildiğini ve çalıştırıldığını kolaylaştırır.

Görü yapay zekası hakkında daha fazla bilgi edinmek için topluluğumuza katıl ve GitHub depomuzu keşfet. Bilgisayarlı görü projelerine başlamak için lisanslama seçeneklerimize göz at. Üretimde yapay zeka veya otomotiv endüstrisinde bilgisayarlı görü gibi yeniliklerle ilgileniyor musun? Daha fazlasını keşfetmek için çözüm sayfalarımızı ziyaret et.